Active Learning Enables Generation of Molecules that Advance the Known Pareto Front

नए अणुओं की खोज नए निर्माण खंडों (building blocks) को खोजने की एक खोज है, जो सौर सेल से लेकर जीवन रक्षक दवाओं तक सब कुछ बनाने के काम आ सकते हैं। दशकों से, वैज्ञानिक ज्ञात रसायनों की विशाल डिजिटल लाइब्रेरी पर भरोसा करते रहे हैं, जिनमें से एक-एक करके उन अणुओं को खोजने के लिए स्क्रीन करते हैं जिनमें सही गुण हों। लेकिन संभावित अणुओं का ब्रह्मांड इतना विशाल है—अनुमान है कि यह आकाश में तारों की संख्या से भी कहीं अधिक है—कि उन सभी की जांच करना असंभव है। हाल ही में, एक नया दृष्टिकोण उभरा है: पूरी तरह से नए अणुओं को शून्य से आविष्कार करने के लिए कंप्यूटर प्रोग्राम का उपयोग करना, जिन्हें विशिष्ट और वांछित गुणों के लिए डिज़ाइन किया गया हो। उम्मीद यह थी कि ये आर्टिफिशियल इंटेलिजेंस सिस्टम इस अनंत रासायनिक स्थान (chemical space) में नेविगेट कर सकेंगे और ऐसे समाधान ढूंढ सकेंगे जिन्हें मानव डेटाबेस ने कभी नहीं देखा है।

हालाँकि, एक जिद्दी समस्या ने इन डिजिटल आविष्कारकों को उनकी पूर्ण क्षमता तक पहुँचने से रोक रखा है। हालाँकि वे परिचित विचारों को फिर से मिलाने में उत्कृष्ट हैं, लेकिन जब उन्हें वास्तव में अज्ञात क्षेत्रों में जाने के लिए कहा जाता है, तो वे अक्सर लड़खड़ा जाते हैं। समस्या यह नहीं है कि आविष्कारकों में कल्पना की कमी है, बल्कि यह है कि उनके द्वारा उपयोग किए जाने वाले उपकरण उनके निर्माणों का निर्णय लेने में अविश्वसनीय हैं। जब एक कंप्यूटर प्रोग्राम एक नवीन अणु का सुझाव देता है, तो एक अन्य प्रोग्राम को उसके व्यवहार की भविष्यवाणी करनी होती है। यदि वह भविष्यवाणी उपकरण केवल सामान्य उदाहरणों को ही देख पाया है, तो वह वास्तव में कुछ नया होने पर सही ढंग से अनुमान लगाने में विफल रहता है, जिससे आविष्कारक को एक बंद रास्ते (dead end) की ओर ले जाता है। लॉरेंस लिवरमोर नेशनल लेबोरेटरी के शोधकर्ताओं की एक टीम ने अब यह दिखाया है कि इस दृष्टि दोष (blind spot) को कैसे ठीक किया जाए। एक स्व-सुधार लूप (self-correcting loop) बनाकर, जहाँ कंप्यूटर की भविष्यवाणियों की लगातार कठोर भौतिक सिमुलेशन (physical simulations) के विरुद्ध जाँच की जाती है, उन्होंने अपने सिस्टम को ऐसे अणु खोजने में सक्षम बनाया जो न केवल नए हैं, बल्कि मौजूदा रिकॉर्डों में पाए गए किसी भी अणु से काफी बेहतर हैं।

शोधकर्ताओं ने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया: ऐसे अणु डिजाइन करना जो घने (dense) भी हों और ऊर्जा संचय करने में भी सक्षम हों, जो उन्नत सामग्रियों के लिए महत्वपूर्ण गुण हैं। उन्होंने एक मानक कंप्यूटर प्रोग्राम से शुरुआत की जो नए रासायनिक संरचनाओं को उत्पन्न करने में सक्षम था। एक विशिष्ट सेटअप में, यह जनरेटर एक अणु बनाएगा, और एक अलग भविष्यवाणी मॉडल इसके गुणों का अनुमान लगाएगा। उस अनुमान के आधार पर, जनरेटर डिजाइन में बदलाव करेगा और फिर से प्रयास करेगा। लेकिन शोधकर्ताओं ने पाया कि यह प्रक्रिया एक दीवार से टकराकर रुक गई। भविष्यवाणी मॉडल, जो केवल ज्ञात डेटा पर प्रशिक्षित था, उन अणुओं का सटीक निर्णय नहीं ले सका जो उसके द्वारा देखे गए उदाहरणों से बहुत भिन्न थे। फलस्वरूप, जनरेटर वास्तव में श्रेष्ठ डिजाइनों को खोजने के लिए पर्याप्त दूर तक नहीं जा सका, प्रभावी रूप से ज्ञात दुनिया की सुरक्षा के भीतर ही बना रहा।

इस चक्र को तोड़ने के लिए, टीम ने एक "क्लोज्ड-लूप" (closed-loop) सिस्टम पेश किया जो वास्तविकता की जाँच (reality check) के रूप में कार्य करता है। केवल प्रारंभिक भविष्यवाणी मॉडल पर निर्भर रहने के बजाय, उन्होंने एक ऐसी प्रक्रिया बनाई जहाँ कंप्यूटर द्वारा उत्पन्न प्रत्येक नए उम्मीदवार अणु को एक उच्च-सटीकता वाले भौतिक सिमुलेशन (high-fidelity physics simulation) के अधीन किया जाता है। यह सिमुलेशन, जो क्वांटम यांत्रिकी के नियमों पर आधारित एक जटिल गणना है, अणु के वास्तविक घनत्व, ऊर्जा और स्थिरता को निर्धारित करता है। महत्वपूर्ण बात यह है कि इन सिमुलेशन के परिणामों को केवल खारिज नहीं किया जाता है; उन्हें भविष्यवाणी मॉडल को पुन: प्रशिक्षित करने के लिए सिस्टम में वापस फीड किया जाता है। हर दौर के परीक्षण के साथ, भविष्यवाणी मॉडल उस नए रासायनिक स्थान के बारे में अधिक सीखता है जिसे जनरेटर एक्सप्लोर कर रहा है। यह उन चीजों को बेहतर ढंग से समझने में सक्षम होता है जिन्हें लेकर यह पहले संघर्ष कर रहा था, जिससे जनरेटर अधिक आत्मविश्वास के साथ अज्ञात क्षेत्रों में आगे बढ़ पाता है।

यह पुनरावृत्ति प्रक्रिया (iterative process) परिवर्तनकारी सिद्ध हुई। जबकि मानक कंप्यूटर मॉडल अपने प्रशिक्षण डेटा के सर्वश्रेष्ठ उदाहरणों से बेहतर कोई भी अणु उत्पन्न करने में विफल रहे, नए क्लोज्ड-लूप सिस्टम ने सफलता प्राप्त की। इस स्व-सुधार चक्र के चार दौरों के बाद, सिस्टम ने 2 ग्राम प्रति घन सेंटीमीटर से अधिक घनत्व वाले अणु उत्पन्न किए, जो 10,000 से अधिक ज्ञात अणुओं के मूल डेटासेट में पाए गए उच्चतम घनत्व से भी अधिक है। इसके अलावा, सिस्टम ने ऐसे अणु खोजे जिनमें ऊर्जा भंडारण क्षमताएं उस सीमा को पार कर गईं जो पहले तक संभव मानी जाती थीं। अध्ययन ने प्रदर्शित किया कि इन सफलताओं की कुंजी एक स्मार्ट जनरेटर नहीं, बल्कि एक अधिक विश्वसनीय निर्णायक (judge) था। नए सिमुलेशन डेटा पर पुन: प्रशिक्षित होने के बाद, भविष्यवाणी मॉडल इन नवीन संरचनाओं का मूल्यांकन करते समय नाटकीय रूप से अधिक सटीक हो गया, जिससे इसकी त्रुटियों में 90 प्रतिशत तक की कमी आई।

अणु खोज में एक अन्य महत्वपूर्ण बाधा यह सुनिश्चित करना है कि कंप्यूटर-जनित डिजाइन वास्तव में प्रयोगशाला में बनाया जा सके। कई सैद्धांतिक अणु रासायनिक रूप से अस्थिर होते हैं और तुरंत टूट जाते हैं। शोधकर्ताओं ने भौतिक सिमुलेशन से प्राप्त डेटा का उपयोग करके अस्थिरता के संकेतों को पहचानने के लिए एक विशेष क्लासिफायर (classifier) को प्रशिक्षित करके इस समस्या का समाधान किया। उम्मीदवारों को उत्पन्न होने से पहले ही अस्थिरता के आधार पर फ़िल्टर करके, सिस्टम ने अणुओं का एक अंतिम सेट तैयार किया जो अन्य प्रमुख विधियों की तुलना में 3.5 गुना अधिक स्थिर होने की संभावना रखते थे। यह स्थिरता आवश्यक है, क्योंकि यह सुझाव देती है कि ये अणु केवल सैद्धांतिक जिज्ञासाएँ नहीं हैं, बल्कि वास्तविक दुनिया के संश्लेषण (synthesis) के लिए संभावित उम्मीदवार हैं।

ये निष्कर्ष बताते हैं कि नई सामग्रियों की खोज के प्रति हमारे दृष्टिकोण में एक बदलाव आया है। अध्ययन संकेत देता है कि बेहतर अणुओं को बनाने में बाधा अक्सर नई संरचनाओं की कल्पना करने की क्षमता नहीं, बल्कि उनके व्यवहार की विश्वसनीय भविष्यवाणी करने में असमर्थता है। जनरेटिव मॉडल्स की रचनात्मक शक्ति को एक कठोर, स्व-सुधार सत्यापन प्रक्रिया के साथ जोड़कर, शोधकर्ताओं ने दिखाया कि ज्ञात रासायनिक प्रदर्शन की सीमाओं को विश्वसनीय रूप से विस्तारित करना संभव है। परिणाम एक ऐसा सिस्टम है जो न केवल पुराने विचारों को पुनर्चक्रित (recycle) करता है, बल्कि सक्रिय रूप से संभव के दायरे का विस्तार करता है, और ऐसे स्थिर, उच्च-प्रदर्शन वाले अणु खोजता है जो पारंपरिक विधियों की पहुँच से ठीक परे स्थित हैं।